merupakan variabel moneter yang cukup penting dan digunakan sebagai indikator bagi kebijakan moneter terhadap perekonomian, maka penyelesaian
kasus multikolinearitas dilakukan tanpa menghilangkan salah satu variabel indepennya. Oleh karena itu, digunakan metode Restricted Ridge Regression
RRR untuk penyelesaian kasus multikolinearitas yang terjadi. Dalam tugas akhir ini, akan dibahas langkah-langkah untuk estimasi
Restricted Ridge Regression RRR yang merupakan kombinasi dari Restricted Least Square RLS dan Ordinary Ridge Regression ORR dan penerapan RRR
untuk mengatasi masalah multikolinearitas yang terjadi pada data uang primer.
B. Batasan Masalah
Agar penyelesaian masalah tidak menyimpang dari pembahasan, maka perlu dibuat pembatasan masalah yaitu dianggap bahwa asumsi klasik yang
lain tetap terpenuhi sehingga difokuskan pada permasalahan multikolinearitas dan cara penanganan pelanggaran asumsi tersebut dengan Restricted Ridge
Regression RRR.
C. Perumusan Masalah
Berdasarkan latar belakang di atas maka yang menjadi pokok permasalahan adalah :
1. Bagaimana langkah-langkah estimasi Restricted Ridge Regression RRR?
2. Bagaimana penerapan Restricted Ridge Regression RRR dalam
mengatasi masalah multikolinearitas?
D. Tujuan Penelitian
Berdasarkan permasalahan di atas, tujuan dari penulisan tugas akhir ini adalah :
1. Mengetahui langkah-langkah estimasi Restricted Ridge Regression RRR.
2. Mengetahui penerapan Restricted Ridge Regression RRR dalam
mengatasi masalah multikolinearitas.
E. Manfaat Penelitian
Manfaat penulisan tugas akhir ini diantaranya: 1.
Bagi Penulis Membuka wawasan teoritis maupun praktis pada kajian ilmu Ridge
Regression, khususnya Restricted Ridge Regression dalam mengatasi masalah mulitkolinearitas.
2. Bagi Jurusan Matematika FMIPA UNY
Menambah kelengkapan koleksi pustaka dan menjadi referensi untuk penelitian-penelitian selanjutnya.
10
BAB II TINJAUAN PUSTAKA
Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi linear, metode kuadrat terkecil, restriksi linear, multikolinearitas, regresi ridge,
uang primer, dan koefisien korelasi ganda.
A. Matriks
1. Pengertian Matriks
Menurut G. Hadley 1992, matriks adalah suatu susunan persegi panjang dari bilangan-bilangan yang diatur dalam baris dan kolom.
Matriks yang memiliki baris dan kolom dapat ditulis sebagai
berikut:
[ ] [
] 2.1
dimana menyatakan elemen matriks
yang berada pada baris ke-i dan kolom ke-j.
Contoh matriks berukuran adalah:
[ ]
2. Jenis-jenis Matriks
Terdapat beberapa jenis matriks, yaitu:
11
a. Matriks Persegi
Matriks persegi adalah matriks yang memiliki baris dan kolom
sama banyak. Matriks persegi B berordo
dapat dituliskan sebagai:
[ ]
2.2
Dalam matriks persegi di atas, elemen merupakan elemen diagonal utama.
b. Matriks Diagonal
Matriks diagonal adalah matriks persegi dimana semua elemen selain elemen diagonal utamanya bernilai nol. Bentuk umum dari
matriks diagonal adalah:
[ ]
2.3
c. Matriks Segitiga
Matriks segitiga atas upper triangular adalah matriks persegi dimana semua elemen di bawah diagonal utamanya bernilai nol.
Bentuk umum matriks segitiga atas berukuran adalah:
[ ]
2.4
12 Matriks segitiga bawah lower triangular adalah matriks
persegi dimana semua elemen di atas diagonal utamanya bernilai nol. Bentuk umum matriks segitiga bawah berukuran
adalah:
[ ]
2.5
Sebuah matriks baik yang merupakan segitiga atas maupun yang merupakan segitiga bawah dinamakan matriks segitiga triangular.
d. Matriks Identitas
Matriks identitas ordo yang ditulis dengan atau
adalah matriks persegi yang elemen-elemennya bernilai satu sepanjang
diagonal utama diagonal dari kiri atas menuju kanan bawah dan elemen-elemen selain diagonal utamanya bernilai nol. Bentuk matriks
identitas adalah:
[ ]
2.6
Contoh matriks identitas dengan ukuran 4 4:
[ ]
Jika matriks A adalah suatu matriks berukuran
, maka dan
2.7
13
e. Matriks Simetris
Matriks simetris adalah matriks persegi yang elemennya simetris secara diagonal. Matriks
dikatakan simetris jika untuk
semua dan , dengan
menyatakan unsur pada baris ke dan
kolom ke . Matriks yang simetris dapat dikatakan pula sebagai
matriks yang transposenya sama dengan dirinya sendiri. Contoh
matriks simetris yaitu:
[ ]
3. Operasi matriks
a. Jumlah Unsur Diagonal Suatu Matriks
R.K. Sembiring 1995 menjelaskan bahwa bila adalah suatu
matriks persegi dengan ukuran , maka jumlah unsur diagonal
matriks dilambangkan , adalah
∑ 2.8
Lambang adalah singkatan dari trace dalam bahasa Inggris.
b.
Penjumlahan Matriks
Steven J. Leon 2001 menjelaskan bahwa jika [
] dan [
] keduanya adalah matriks , maka jumlah adalah matriks
yang elemen ke-ij adalah untuk setiap pasang
i,j. Maka penjumlahan matriks dapat dituliskan sebagai: [
] [ ] [
] 2.9
14 Contoh penjumlahan matriks adalah:
[ ] [
] [ ]
c.
Pengurangan Matriks
Steven J. Leon 2001 juga menjelaskan bahwa jika didefinisikan sebagai
, maka ternyata bahwa didapat dari mengurangi entri pada
dari setiap entri dari yang seletak. Jika
[ ] dan [
], maka pengurangan matriks dapat dituliskan sebagai:
[ ] [
] [ ]
2.10 Contoh pengurangan matriks adalah:
[ ] [
] [ ]
d.
Perkalian Skalar
Howard Anton 2000 menjelaskan jika adalah suatu matriks
dan adalah suatu skalar, maka hasil kali adalah matriks yang
diperoleh dengan mengalikan setiap anggota dari dan . Perkalian
matriks dengan skalar menghasilkan sebuah matriks baru yang elemennya adalah hasil perkalian setiap elemen matriks aslinya
dengan skalar. Dalam notasi matriks jika [
], maka [
] 2.11
15 e.
Perkalian Matriks Charles G. Cullen 1993 mendefinisikan bahwa jika A adalah
matriks berukuran dan adalah matriks berukuran ,
maka hasil kali adalah matriks berukuran yang unsur-
unsurnya adalah:
… ∑
2.12 Perkalian matriks hanya bisa dilakukan jika banyaknya kolom
matriks yang pertama sama dengan banyaknya baris matriks yang kedua. Contoh perkalian matriks:
Matriks berukuran dikalikan matriks berukuran
maka hasil perkalian matriks berukuran .
[ ] [
] [ ]
f.
Transpose Matriks
Steven J. Leon 2001 mendefinisikan transpose dari suatu matriks
berorde adalah matriks berorde yang didefinisikan oleh:
2.13 untuk
dan . Transpose dari matriks dinyatakan oleh
.
16 Akibat dari 2.13 terlihat bahwa baris ke-
dari
memiliki
entri-entri yang sama dengan entri-entri dari kolom ke- dari , dan
kolom ke- dari
memiliki entri-entri yang sama dengan entri-entri dari baris ke-
dari .
Contoh matriks [
], maka [
]
Beberapa sifat transpose matriks:
a b
c , dengan sembarang skalar
d g.
Determinan Matriks
Jika adalah matriks berukuran
, fungsi determinan matriks
dapat ditulis dengan atau . Secara
matematisnya ditentukan dengan: ∑
2.14 dengan
, ...,
merupakan himpunan { }.
Jika adalah matriks berukuran
yang mengandung sebaris bilangan nol, maka
. Contoh:
[ ], maka
17 Jika
adalah matriks segitiga, maka adalah hasil kali elemen-elemen diagonal utama, yaitu
.
Contoh: [
], maka
Jika adalah sebarang matriks persegi, maka
, dimana adalah transpose dari .
Contoh: [
] , maka
. [
] , maka
. Jadi,
. Jika
dan adalah matriks persegi yang ordonya
sama, maka .
h. Invers Matriks
Howard Anton 2000 menjelaskan bahwa jika adalah suatu
matriks persegi berukuran dan jika suatu matriks yang
berukuran sama disebut invers balikan dari jika dipenuhi
, maka bisa dibalik dan disebut invers dari . Invers dari
dilambangkan dengan . Contoh suatu matriks
yaitu: [
] Diperoleh
[ ]
18 Jika
dan adalah matriks-matriks yang dapat dibalik yang ukurannya sama, maka
a dapat dibalik
b
Jika adalah sebuah matriks yang dapat dibalik, maka
a dapat dibalik dan
b untuk
c Untuk skalar , dimana , maka dapat dibalik dan
i. Matriks Ortogonal
Menurut Dumairy 2012, matriks ortogonal ialah matriks yang apabila dikalikan dengan matriks transposenya menghasilkan matriks
satuan identitas. Matriks ortogonal dapat dituliskan sebagai:
2.15 karena persamaan 2.15, maka
2.16 Sifat matriks ortogonal:
1 Invers matriks ortogonal juga matriks ortogonal
2 Hasil kali matriks-matriks ortogonal juga matriks ortogonal
3 Jika matriks ortogonal, maka det atau det
19 Contoh matriks ortogonal
berukuran yaitu: [
]
j. Matriks Definit Positif
Menurut Steven J. Leon 2001, suatu matriks simetris berorder
disebut matriks definit positif apabila untuk
semua vektor tak nol .
Menurut Searle 1971, suatu matriks yang berukuran
dikatakan definit positif jika dan hanya jika
dan
untuk setiap vektor tidak nol.
k. Matriks Definit Semi Positif
Searle 1971 mendefinisikan suatu matriks yang berukuran
dikatakan definit semi positif jika dan hanya jika kondisi- kondisi berikut dipenuhi:
1. matriks simetris
2. untuk setiap vektor tidak nol.
3. untuk paling sedikit satu vektor tidak nol.
l. Matriks definit negatif
Menurut Steven J. Leon 2001, suatu matriks simetris berorder
disebut matriks definit negatif apabila untuk
semua vektor tak nol .
20
4. Nilai Eigen dan Vektor Eigen
Howard Anton 2001 menjelaskan bahwa jika adalah matriks ,
maka vektor tak nol dinamakan vektor eigen eigenvector dari
jika
adalah kelipatan skalar dari , yakni:
2.17 untuk suatu skalar
. Skalar dinamakan nilai eigen eigenvalue dari dan
dikatakan vektor eigen yang bersesuaian dengan .
5. Turunan Matriks Greene, 2012
Turunan matriks sangat diperlukan dalam pembahasan Restricted Ridge Regression RRR. Misalkan terdapat dua vektor
dan , dengan
[ ]
maka 2.18
[ ]
maka 2.19
dan maka
2.20
21 Bukti:
1.
[ ]
[ ] 2.21
2.
[ ]
[ ]
2.22
Jadi, terbukti
Misalkan fungsi linier 2.23
dengan [
]
Setiap elemen dari
adalah
2.24 Di mana
adalah elemen-elemen baris ke-i dari , maka
22 [
] [
] 2.25
Sehingga 2.26
Suatu persamaan
[ ] [
] 2.27
2.28
Jika diambil turunan parsial terhadap elemen-elemen X akan diperoleh hasil
sebagai berikut:
2.29
Jika diperhatikan hasil di atas, merupakan elemen-elemen dari hasil matiks
dan vektor , yaitu dan
23 memberikan suatu vektor kolom dengan
elemen. Jadi hasil di atas dapat diringkas sebagai berikut:
2.30
B. Metode Pengganda Lagrange
Metode Pengganda Lagrange Lagrange Multipliers adalah metode yang digunakan untuk menentukan nilai maksimum atau minimum dari suatu
fungsi yang dibatasi oleh suatu kendalahambatanpembatas tertentu. Misalkan yang akan dicari adalah nilai maksimum atau minimum dari fungsi
dengan kendala . Maka langkah yang dilakukan
adalah menyusun fungsi Lagrange yang dinyatakan sebagai berikut: 2.31
dimana adalah pengganda Lagrange. Selanjutnya, menerapkan syarat
adanya nilai maksimum atau minimum, yaitu:
Permasalahan di atas dapat diperluas untuk -variabel. Misalkan fungsi
objektifnya mempunyai bentuk dan kendala
, maka fungsi Lagrange-nya menjadi: 2.32
Sehingga syarat adanya nilai maksimum atau minimum adalah: ...
24
C. Regresi
